DIAMOND：面向情境感知棒球高光摘要生成的 LLM 驱动智能体
计算与语言
2025-06-04 v1 人工智能
计算机视觉与模式识别
摘要
传统方法——如基于胜率加成（WPA）的排序或计算机视觉驱动的事件检测——可以识别得分回合，但往往忽略了战略深度、动量转换和故事线进展。人工策展仍是黄金标准，但资源密集且不可扩展。我们引入了 DIAMOND，一个由 LLM 驱动的情境感知棒球高光摘要智能体，它将结构化体育分析与自然语言推理相结合。DIAMOND 利用赛伯计量学特征——胜率期望、WPA 和杠杆指数——来量化比赛重要性，同时 LLM 模块基于情境叙事价值增强选择。这种混合方法确保了定量严谨性和定性丰富性，超越了纯统计或视觉系统的局限性。在五场多样的韩国棒球委员会联赛比赛上进行评估，DIAMOND 将 F1 分数从 42.9%（仅 WPA）提高到 84.8%，优于商业和统计基线。尽管规模有限，我们的结果突出了模块化、可解释的基于智能体的框架在体育及其他领域事件级摘要中的潜力。
引用
@article{arxiv.2506.02351,
title = {DIAMOND: An LLM-Driven Agent for Context-Aware Baseball Highlight Summarization},
author = {Jeonghun Kang and Soonmok Kwon and Joonseok Lee and Byung-Hak Kim},
journal= {arXiv preprint arXiv:2506.02351},
year = {2025}
}
备注
To appear in the First REALM (Research on Agent Language Models) workshop at ACL 2025